Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Graduation thesis Diffusion model and LVAD

Avatar for okamo18 okamo18
April 16, 2024
19

Graduation thesis Diffusion model and LVAD

Avatar for okamo18

okamo18

April 16, 2024
Tweet

Transcript

  1. 2. 研究の背景・⽬的 (2/3) 【⽬的】 LVADに起因する合併症をLVADの駆動⾳を⽤いて検知したい。 合併症の例︓ © 2024 Sakurai &

    Matsubara Lab. @ Osaka U ポンプ⾎栓 (Scandroglio AM, JACC 2016 ⼤動脈弁逆流 (Grinstein J, JACC 2016)
  2. 6. 類似研究との差異 【電⼒消費での検知】 電⼒消費をモニタリングし,ポンプ⾎栓の検出 →重篤な症状に発展する軽微な症状の、早期検出に⼗分な感度・特異度ではない 電⼒消費のみでの検知には限界あり (Jorde UP. JACC.2015) (Grabska

    J. ASAIO J.2020) 【⾳響データでの検知】 LVAD駆動⾳を対象に、機械学習による⼤動脈弁逆流の検出 →良い性能の分類モデルが得られた ポンプ⾎栓を同様に分類した結果、分類性能は⼗分でなかった 特徴ベクトルを正しく選択しないと性能が出ない VAD駆動⾳と無関係なノイズが発⽣. (Yusuke Misumi. J Artif Organs. 2021) © 2024 Sakurai & Matsubara Lab. @ Osaka U 周波数 (Hz) 時間 (0.05sec) 強さ 正常時 周波数 (Hz) 時間 (0.05sec) 強さ ポンプ内⾎栓 あり VAD駆動⾳と無 関係なノイズが 出現
  3. 7. 問題定義 Given 電⼦聴診器で録⾳した実際のLVAD駆動⾳(44.1kHzサンプリング、25.3 sec≦ len ≦ 79.5 sec )

    ・正常クラスの波形データ108個 ・異常クラスの波形データ188個 Output 波形データのクラス分類 © 2024 Sakurai & Matsubara Lab. @ Osaka U
  4. 8. 提案⼿法 1.拡散確率モデル(DDPM)の学習 正常クラスの波形データのみを⼊⼒とし、DDPMベースのニューラルモデルの学習 ・本研究では波形データを⼊⼒とするDiffWaveモデルを採⽤(Z.Kong et al.2021) ・学習⽤・テスト⽤に正常の波形データを8:2に分割 2.波形データのノイズ除去 テスト⽤波形データにノイズを載せ、モデルに⼊⼒しノイズ除去を⾏う。

    ・正常テストデータと、同じ数の異常テストデータを⽤いる。 3.出⼒波形の評価 出⼒波形と、ノイズを載せる前の元の波形との絶対平均誤差をスコアとして分類を⾏う。 ⽐較⼿法として、Local Outliner Factor(LOF) と Isolation Forest(iForest)を採⽤した。 © 2024 Sakurai & Matsubara Lab. @ Osaka U
  5. 9.アルゴリズムの概要(1) © 2023 Sakurai & Matsubara Lab. @ Osaka U

    ε DiffWave (拡散モデル) 学習 Recoveryの音声波形 ガウスノイズ メルスペクトログラム化 εθ 予測されたノイズ ∇! ε − ε! (𝑥" , 𝑡) # # 損失関数 パラメータ更新 𝑥!
  6. 10.アルゴリズムの概要(2) © 2023 Sakurai & Matsubara Lab. @ Osaka U

    ε DiffWave (拡散モデル) 分類 分類したい音声波形 𝑥! ガウスノイズ メルスペクトログラム化 εθ 予測されたノイズ 𝑥" 𝑥!"# = # $! 𝑥! − %! #"$! ε&(𝑥!, 𝑡) +) β " #𝑧 ノイズ除去工程 ノイズ除去した波形 " 𝑥! MAE = # $ ∑%&# $ 𝑥'% − $ 𝑥'% 分類
  7. 付録.DiffWave 構造 Input Conv1×1 = Conv1×1 Bi-DilConv-2$ = Bi-directional Dilated

    Conv (dilation = 2$) FC = Fully connected = Broadcast over length Conditioner ↔ = Element-wise addition + = Element-wise multiplication Diffusion-step embedding Residual layer ' = 0 Residual layer ' = 1 Residual layer ' = * − 1 ⋯ Skip connections Output ⋯ FC FC FC Conv1×1 Conv1×1 Conv1×1 Conv1×1 Conv1×1 Bi-DilConv-2- ./0 1 ↔ + + + + ⋅ ⋅ tanh 7 = Connect to next residual layer = Input of each residual layer Conv1×1 ReLU swish ReLU swish © 2023 Sakurai & Matsubara Lab. @ Osaka U 14